记录编写并训练测试经典数据集mnist

import tensorflow as tf
mnist = tf.keras.datasets.mnist

(x_train, y_train),(x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

model = tf.keras.models.Sequential([
  tf.keras.layers.Flatten(input_shape=(28, 28)),
  tf.keras.layers.Dense(128, activation='relu'),
  tf.keras.layers.Dense(10, activation='softmax')
])

model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

model.fit(x_train, y_train, epochs=5)
model.evaluate(x_test, y_test)

简单解释：

这段代码使用了TensorFlow库来训练一个简单的神经网络模型，用于识别手写数字。以下是代码的详细解释：

1. 首先，导入TensorFlow库，并使用tf.keras.datasets.mnist加载MNIST数据集。

2. mnist.load_data()函数用于加载MNIST数据集的训练和测试数据。返回值是一个元组列表，其中每个元组包含训练或测试数据的特征和对应的标签。

3. x_train和x_test分别表示训练和测试数据的特征，它们的形状是(28, 28)，即每个图像是一个28x28的二维数组。将特征数据归一化，将像素值除以255，使得像素值在0到1之间。

4. 创建一个顺序模型，包含以下层：

   • tf.keras.layers.Flatten(input_shape=(28, 28))：将输入的二维数组展平为一维数组。
   • tf.keras.layers.Dense(128, activation='relu')：添加一个全连接层，包含128个神经元，使用ReLU激活函数。
   • tf.keras.layers.Dense(10, activation='softmax')：添加一个输出层，包含10个神经元，对应0到9的十个数字，使用softmax激活函数输出每个数字的概率。

5. 编译模型，设置优化器为Adam，损失函数为稀疏类别交叉熵（sparse_categorical_crossentropy），评估指标为准确率。

6. 使用训练数据对模型进行训练，设置训练周期为5。

7. 使用测试数据对模型进行评估，输出在测试集上的准确率。

这段代码展示了如何使用TensorFlow库构建和训练一个简单的神经网络模型。通过调整模型的结构、优化器、损失函数等参数，可以进一步提高模型的性能。